CN112669344A - 一种运动物体的定位方法、装置、电子设备及存储介质 - Google Patents
一种运动物体的定位方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112669344A CN112669344A CN202011552412.8A CN202011552412A CN112669344A CN 112669344 A CN112669344 A CN 112669344A CN 202011552412 A CN202011552412 A CN 202011552412A CN 112669344 A CN112669344 A CN 112669344A
- Authority
- CN
- China
- Prior art keywords
- event
- moving object
- area
- image
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 72
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000013145 classification model Methods 0.000 claims description 29
- 230000008034 disappearance Effects 0.000 claims description 27
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种运动物体的定位方法、装置、电子设备及存储介质,该方法包括:通过动态视觉传感器获取事件流信息,以及通过目标摄像组件获取图像信息;根据预设采样周期,对所述事件流信息进行采样,以获取采样事件帧,并根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域;根据所述预测位置区域,在所述图像信息中确定匹配的定位区域。本发明实施例公开的技术方案,通过动态视觉传感器获取到事件流信息后,确定采样事件帧中运动物体的预测位置区域,并在目标摄像组件的图像信息中确定匹配的定位区域,提高了运动物体的定位效率,尤其是提高了针对高速运动物体的检测实时性。
Description
技术领域
本发明实施例涉及图像识别技术领域,尤其涉及一种运动物体的定位方法、装置、电子设备及存储介质。
背景技术
随着科技的不断进步,图像识别技术得到了迅速发展,被广泛应用于各个领域,其中对于图像中高速运动物体的定位,成为了图像识别技术的重要分支。
现有技术中,通常是针对摄像组件获取的视频图像,直接在全局图像中进行特征提取,并根据提取到的图像特征在图像中对运动物体进行定位。
但是这样的图像识别方式,图像特征的提取计算量极大,且由于摄像组件的拍摄画面中,大多数情况下保持静止状态,常常造成计算资源浪费,同时,通过图像特征,比较物体在不同图像帧之间的位置来判断是否存在运动物体,难以保证图像识别的实时性,尤其对于高速运动的物体,定位效果较差。
发明内容
本发明实施例提供了一种运动物体的定位方法、装置、电子设备及存储介质,以检测摄像组件拍摄的图像信息中是否存在运动物体。
第一方面,本发明实施例提供了一种运动物体的定位方法,包括:
通过动态视觉传感器获取事件流信息,以及通过目标摄像组件获取图像信息;
根据预设采样周期,对所述事件流信息进行采样,以获取采样事件帧,并根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域;
根据所述预测位置区域,在所述图像信息中确定匹配的定位区域。
第二方面,本发明实施例提供了一种运动物体的定位装置,包括:
信息获取模块,用于通过动态视觉传感器获取事件流信息,以及通过目标摄像组件获取图像信息;
采样执行模块,用于根据预设采样周期,对所述事件流信息进行采样,以获取采样事件帧,并根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域;
分类执行模块,用于根据所述预测位置区域,在所述图像信息中确定匹配的定位区域。
第三方面,本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所述的运动物体的定位方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所述的运动物体的定位方法。
本发明实施例公开的技术方案,通过动态视觉传感器获取到事件流信息后,确定采样事件帧中运动物体的预测位置区域,并在目标摄像组件的图像信息中确定匹配的定位区域,提高了运动物体的定位效率,尤其是提高了针对高速运动物体的检测实时性。
附图说明
图1A是本发明实施例一提供的一种运动物体的定位方法的流程图;
图1B是本发明实施例一提供的运动物体的预测位置区域的示意图;
图2是本发明实施例二提供的一种运动物体的定位方法的流程图;
图3是本发明实施例三提供的一种运动物体的定位装置的结构框图;
图4是本发明实施例四提供的一种电子设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1A为本发明实施例一提供的一种运动物体的定位方法的流程图,本实施例可适用于检测目标摄像组件拍摄的图像信息中是否存在运动物体,该方法可以由本发明实施例中的运动物体的定位装置来执行,该装置可以通过软件和/或硬件实现,并集成在电子设备中,该方法具体包括如下步骤:
S110、通过动态视觉传感器获取事件流信息,以及通过目标摄像组件获取图像信息。
动态视觉传感器(Dynamic Vision Sensor,DVS),是一种采用像素异步机制,并基于地址和事件表达(AER)的图像采集装置;区别与传统技术方案中,以固定频率采集的“帧”为基础,并依次读取各“帧”中所有的像素信息,DVS不需要对画面中的所有像素点进行读取,仅需要获取光强度变化的像素点的地址和信息;具体的,当动态视觉传感器检测到某个像素点的光强度变化大于等于预设门限数值时,则发出该像素点的事件信号;其中,如果该光强度变化为正向变化,即该像素点由低亮度跳变至高亮度,则发出“+1”事件信号,并标注为正事件;如果该光强度变化为负向变化,即该像素点由高亮度跳变至低亮度,则发出“-1”事件信号,并标注为负事件;如果光强度变化小于预设门限数值,则不发出事件信号,标注为无事件;动态视觉传感器对各像素点进行的事件标注,构成了事件流信息。
目标摄像组件是将光学图像信号转变为电信号,进而进行电信号存储或传输的拍摄装置,可以包括多种类型,例如,高速图像采集(High-speed Image Acquisition)设备和监控摄像头;其中,高速图像采集设备是一种用于高速采集,并获取数字化视频图像信息的图像采集设备,可以将获取到的图像数据流,按照预先安排好的路径传输、显示和存储;在本发明实施例中,高速图像采集设备,对可见光范围内的RGB(红、绿、蓝三通道)图像进行快速捕获,生成高速的画面帧,以确保对高速运动物体轨迹的获取,其生成画面帧的帧率可以达到每秒一千帧至十万帧的量级。
在本发明实施例中,事件流信息和图像信息,是针对相同场景的拍摄画面,可以是在同一时刻下获取的,也可以先通过动态视觉传感器获取事件流信息,并在采样事件帧中定位后,再通过目标摄像组件获取的图像信息;为了确保动态视觉传感器和高速图像采集设备拍摄的画面内容相同,动态视觉传感器和高速图像采集设备可以设置在邻近的拍摄位置(例如,可将动态视觉传感器和目标摄像组件集成在同一台电子设备中),且通过调节拍摄角度,确保获取到相同的拍摄画面。
S120、根据预设采样周期,对所述事件流信息进行采样,以获取采样事件帧,并根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域。
相比于光亮强度变化较小的背景图像,画面中运动物体经过的区域,其对应的像素点的光亮强度会存在不同程度的变化,例如,运动物体出现时,运动物体出现区域的像素点的光亮强度会显著增加,运动物体消失时,运动物体消失区域的像素点的光亮强度会显著降低,因此,根据事件流信息,可以确定画面中哪些像素点可能存在运动物体;具体的,在当前采样周期内,如果某个像素点的事件流信息中包括正事件或负事件,则该像素点可能是与运动物体相关的像素点;采样事件帧是在当前采样周期内,对每个像素点的所有标注事件进行汇总后显示的图像帧,根据采样事件帧中所有像素点的标注事件,可以确定运动物体的位置区域;其中,预设采样周期,可以根据需要设定,例如,为了提高事件流信息中运动物体的检测效率,可以将预设采样周期设定为较低数值;为了降低图像处理压力,则可以将预设采样周期设定为较高数值;特别的,由于DVS的检测精度较高,对于像素点事件信号的检测可以达到纳秒级(例如,1000纳秒,即每间隔1000纳秒获取一次像素点的事件信号),而预设采样周期通常设定为毫秒级(例如,10毫秒),因此,在一个采样周期内,一个像素点的光强度可能经历了多次变化,即DVS针对一个像素点发出了多个事件信号,那么只要在当前采样周期内,该像素点包括至少一个正事件和/或负事件,那么该像素点即包含在运动物体的预测位置区域中。
可选的,在本发明实施例中,所述根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域,包括:根据所述事件流信息,确定所述采样事件帧中运动物体的轮廓区域,并通过感兴趣区域框标注所述轮廓区域,以获取运动物体的预测位置区域。感兴趣区域(Region Of Interest,ROI)是以方框、圆、椭圆和多边形等方式勾勒出来需要处理的区域,由于运动物体的轮廓信息通常为不规则图形,在图像中不便于定位,在本发明实施例中,可以通过矩形标注框的方式,在图像中标注出同时包含运动物体出现轮廓和运动物体消失轮廓的最小矩形,而矩形标注框及矩形标注框内的区域,即为运动物体的预测位置区域;其中,对于运动物体的轮廓区域,可以在采样事件帧中,通过目标检测算法获取,例如,通过滑动窗口检测器或R-CNN(Regions with CNN features,基于卷积神经网络的区域特征)获取。
可选的,在本发明实施例中,所述根据所述事件流信息,确定所述采样事件帧中运动物体的轮廓区域,包括:根据所述事件流信息,对事件出现空矩阵和事件消失空矩阵中的元素进行赋值,以获取事件出现矩阵和事件消失矩阵;其中,所述事件出现空矩阵和所述事件消失空矩阵的元素数量均与所述动态视觉传感器的分辨率相关;根据所述事件出现矩阵确定运动物体的预测出现区域,根据事件消失空矩阵确定运动物体的预测消失区域;根据所述预测出现区域和所述预测消失区域,确定运动物体的轮廓区域。
事件出现空矩阵和事件消失空矩阵中的元素个数,与动态视觉传感器的分辨率的乘积结果相同,且矩阵中的每个元素与动态视觉传感器中的每个像素点一一对应,例如,动态视觉传感器的分辨率为1024(水平像素)×648(垂直像素),那么对应的,事件出现空矩阵和事件消失空矩阵均为1024(行)×648(列)矩阵,事件出现空矩阵和事件消失空矩阵中各元素的值均为0;若在当前采样周期内,获取到正事件,则在事件出现空矩阵中,将与正事件对应的元素赋值为最大像素数值(即赋值为255),最终获取的事件出现矩阵中,元素值不为0的元素在画面中的位置,表示了当前采样周期出现运动物体时,运动物体边缘的出现轨迹,因此,根据事件出现矩阵可以在图像中获取高亮的运动物体出现轮廓;同样的,若在当前采样周期内,获取到负事件,则在事件消失空矩阵中,将与负事件对应的元素赋值为最大像素数值(即赋值为255),最终获取的事件消失矩阵中,元素值不为0的元素在画面中的位置,表示了当前采样周期出现运动物体时,运动物体边缘的消失轨迹,因此,根据事件消失矩阵可以在图像中获取高亮的运动物体消失轮廓;再将运动物体出现轮廓和运动物体消失轮廓的并集共同作为运动物体的轮廓信息。
如图1B所示,以采样事件帧的左上角为原点建立坐标系,运动物体的出现轮廓对应的感兴趣区域为ROI1=[x11,y11,x12,y12],(x11,y11)和(x12,y12)分别为该感兴趣区域的左上角顶点和右下角顶点;运动物体的消失轮廓区域对应的感兴趣区域为ROI2=[x21,y21,x22,y22],(x21,y21)和(x22,y22)分别为该感兴趣区域的左上角顶点和右下角顶点;采样事件帧中运动物体的预测位置区域可由如下公式表示:
ROIDVS=[min(x11,x21),min(y11,y21),max(x12,x22),max(y21,y22)]。
可选的,在本发明实施例中,在获取事件出现矩阵和事件消失矩阵后,包括:对所述事件出现矩阵和/或所述事件消失矩阵,进行噪声点去除处理。通常情况下,事件出现矩阵和事件消失矩阵均为稀疏矩阵,由于动态视觉传感器的敏感性,除了运动物体外的背景区域也会出现稀疏噪声点,因此需要进行稀疏噪声点的去除处理;具体的,对事件出现矩阵和事件消失矩阵均进行1像素的腐蚀操作和膨胀操作,进而在二值化(像素数值为255的像素点,其二值化结果为1;像素数值为0的像素点,其二值化结果为0)的采样事件帧上检测运动物体的轮廓区域。
S130、根据所述预测位置区域,在所述图像信息中确定匹配的定位区域。
在确定了动态视觉传感器中运动物体的预测位置区域后,如果动态视觉传感器和目标摄像组件的分辨率相同,那么事件流信息中的预测位置区域与图像信息中的定位区域即为相同区域,在图像信息中获取与采样事件帧相同时刻的待检测图像,并根据预测位置区域,将待检测图像中的相同区域直接作为定位区域即可;如果动态视觉传感器和目标摄像组件的分辨率不同,需要确定动态视觉传感器和目标摄像组件之间分辨率的比例关系,确定运动物体在待检测图像中的定位区域。
可选的,在本发明实施例中,所述根据所述预测位置区域,在所述图像信息中确定匹配的定位区域,包括:获取所述动态视觉传感器和所述目标摄像组件之间分辨率的比例关系,并根据所述分辨率的比例关系和所述预测位置区域,在所述图像信息中确定匹配的定位区域。具体的,将动态视觉传感器的水平方向分辨率与和目标摄像组件的水平方向分辨率的比值,作为水平方向调节因子将动态视觉传感器的垂直方向分辨率与和目标摄像组件的垂直方向分辨率的比值,作为垂直方向调节因子图像信息中运动物体的定位区域可由如下公式表示:
本发明实施例公开的技术方案,通过动态视觉传感器获取到事件流信息后,确定采样事件帧中运动物体的预测位置区域,并在目标摄像组件的图像信息中确定匹配的定位区域,提高了运动物体的定位效率,尤其是提高了针对高速运动物体的检测实时性。
实施例二
图2是本发明实施例二所提供的一种运动物体的定位方法,该方法在上述技术方案的基础上进行具体化,在本发明实施例中,根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理,以确定所述图像信息中是否存在运动物体,该方法具体包括:
S210、通过动态视觉传感器获取事件流信息,以及通过目标摄像组件获取图像信息。
S220、根据预设采样周期,对所述事件流信息进行采样,以获取采样事件帧,并根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域。
S230、根据所述预测位置区域,在所述图像信息中确定匹配的定位区域。
S240、根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理,以确定所述图像信息中是否存在运动物体。
图像分类模型,是基于样本图片预先训练完成的分类模型,其作用在于针对输入的图像信息,进行图像特征的提取并获取特征向量,然后根据获取到的特征向量输出对应的图像分类概率,其中图像分类概率表示了输入的图像信息为正样本或负样本的概率,进而根据该图像分类概率进行分类(即二值分类),确定输入的图像信息是否存在运动物体;其中,图像特征可以包括图像的颜色特征、纹理特征、形状特征和空间关系特征;颜色特征,描述了图像或图像区域所对应的景物的表面性质,是基于像素点的特征;纹理特征,描述了图像或图像区域所对应景物的表面性质,其需要在包含多个像素点的区域中进行统计计算;形状特征,则描述物体外边界的轮廓特征,以及整体上的区域特征;空间关系特征,是视频图像中分割出来的多个目标之间的相互的空间位置或相对方向关系,例如,连接关系、重叠关系以及包含关系等,在本公开实施例中,对提取的图像特征的类型不作具体限定。
可选的,在本发明实施例中,在根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理前,还包括:判断所述定位区域中像素点的数量是否大于预设检测阈值;所述根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理,包括:若所述定位区域中像素点的数量大于预设检测阈值,则根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理。为了避免将体积较小的干扰物体(例如,飞虫)误检测为待监测的目标物体(例如,对于高空抛物的监测,高空抛物为待监测的目标物体),可以将预设检测阈值设定为较大数值,以防止对干扰物体的误检测;为了提高对图像信息中运动物体的检测精度,也可以将预设检测阈值设定为较小数值,例如,设定为0,即定位区域中存在变化的像素点时,即将对应的定位区域通过图像分类模型进行分类处理。由于目标摄像组件的拍摄画面中,大多数情况下保持静止状态,因此预设检测阈值的设定,使得只有在检测到屏幕中存在光强度变化超过预设门限数值的像素点时,才会通过图像分类模型进行图像特征提取计算,避免了计算资源的浪费,减轻了计算压力。
可选的,在本发明实施例中,在根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理前,还包括:获取样本图像集合,并通过所述样本图像集合对初始图像分类模型进行图像分类训练,以获取预训练完成的图像分类模型;其中,所述初始图像分类模型基于神经网络构建。初始图像识别模型是基于神经网络(Neural Networks,NNS)构建的数学模型,在预先建立的网络结构基础上,通过调整内部大量节点的连接关系,实现对信息的有效处理;样本图像集合中,正样本图像为包含运动物体的图像信息,正样本图像的输出值为1;负样本图像为不包含运动物体的图像信息,负样本图像的输出值为0。通过正样本图像和负样本图像组成的样本图像集合对初始图像分类模型的训练,使得训练完成的图像分类模型具备了根据输入的图像信息,输出对应的图像分类概率的能力,进而输出对输入的图像信息的类别判断结果。
本发明实施例公开的技术方案,通过动态视觉传感器获取到事件流信息后,确定采样事件帧中运动物体的预测位置区域,并在目标摄像组件的图像信息中确定匹配的定位区域,进而根据图像分类模型对定位区域图像进行图像识别及分类处理,以确定图像中是否存在运动物体,在实现运动物体定位的同时,提高了图像信息中运动物体的检测精度,避免了对运动物体的误检测。
实施例三
图3是本发明实施例三所提供的一种运动物体的定位装置的结构框图,该装置具体包括:信息获取模块310、采样执行模块320和分类执行模块330;
信息获取模块310,用于通过动态视觉传感器获取事件流信息,以及通过目标摄像组件获取图像信息;
采样执行模块320,用于根据预设采样周期,对所述事件流信息进行采样,以获取采样事件帧,并根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域;
分类执行模块330,用于根据所述预测位置区域,在所述图像信息中确定匹配的定位区域。
本发明实施例公开的技术方案,通过动态视觉传感器获取到事件流信息后,确定采样事件帧中运动物体的预测位置区域,并在目标摄像组件的图像信息中确定匹配的定位区域,提高了运动物体的定位效率,尤其是提高了针对高速运动物体的检测实时性。
可选的,在上述技术方案的基础上,采样执行模块320,具体用于根据所述事件流信息,确定所述采样事件帧中运动物体的轮廓区域,并通过感兴趣区域框标注所述轮廓区域,以获取运动物体的预测位置区域。
可选的,在上述技术方案的基础上,采样执行模块320,具体包括:
事件矩阵获取单元,用于根据所述事件流信息,对事件出现空矩阵和事件消失空矩阵中的元素进行赋值,以获取事件出现矩阵和事件消失矩阵;其中,所述事件出现空矩阵和所述事件消失空矩阵的元素数量均与所述动态视觉传感器的分辨率相关;
预测区域获取单元,用于根据所述事件出现矩阵确定运动物体的预测出现区域,根据事件消失空矩阵确定运动物体的预测消失区域;
轮廓区域获取单元,用于根据所述预测出现区域和所述预测消失区域,确定运动物体的轮廓区域。
可选的,在上述技术方案的基础上,分类执行模块330,具体用于获取所述动态视觉传感器和所述目标摄像组件之间分辨率的比例关系,并根据所述分辨率的比例关系和所述预测位置区域,在所述图像信息中确定匹配的定位区域。
可选的,在上述技术方案的基础上,运动物体的定位装置,还包括:
分类处理执行模块,用于根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理,以确定所述图像信息中是否存在运动物体。
可选的,在上述技术方案的基础上,运动物体的定位装置,还包括:
判断执行模块,用于判断所述定位区域中像素点的数量是否大于预设检测阈值。
可选的,在上述技术方案的基础上,分类执行模块330,具体用于若所述定位区域中像素点的数量大于预设检测阈值,则根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理。
可选的,在上述技术方案的基础上,运动物体的定位装置,还包括:
预训练执行模块,用于获取样本图像集合,并通过所述样本图像集合对初始图像分类模型进行图像分类训练,以获取预训练完成的图像分类模型;其中,所述初始图像分类模型基于神经网络构建。
上述装置可执行本发明任意实施例所提供的运动物体的定位方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的方法。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,存储器28,连接不同系统组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明任意实施例提供的运动物体的定位方法。也即:通过动态视觉传感器获取事件流信息,以及通过目标摄像组件获取图像信息;根据预设采样周期,对所述事件流信息进行采样,以获取采样事件帧,并根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域;根据所述预测位置区域,在所述图像信息中确定匹配的定位区域。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所述的运动物体的定位方法;该方法包括:
通过动态视觉传感器获取事件流信息,以及通过目标摄像组件获取图像信息;
根据预设采样周期,对所述事件流信息进行采样,以获取采样事件帧,并根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域;
根据所述预测位置区域,在所述图像信息中确定匹配的定位区域。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种运动物体的定位方法,其特征在于,包括:
通过动态视觉传感器获取事件流信息,以及通过目标摄像组件获取图像信息;
根据预设采样周期,对所述事件流信息进行采样,以获取采样事件帧,并根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域;
根据所述预测位置区域,在所述图像信息中确定匹配的定位区域。
2.根据权利要求1所述的方法,其特征在于,所述根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域,包括:
根据所述事件流信息,确定所述采样事件帧中运动物体的轮廓区域,并通过感兴趣区域框标注所述轮廓区域,以获取运动物体的预测位置区域。
3.根据权利要求2所述的方法,其特征在于,所述根据所述事件流信息,确定所述采样事件帧中运动物体的轮廓区域,包括:
根据所述事件流信息,对事件出现空矩阵和事件消失空矩阵中的元素进行赋值,以获取事件出现矩阵和事件消失矩阵;其中,所述事件出现空矩阵和所述事件消失空矩阵的元素数量均与所述动态视觉传感器的分辨率相关;
根据所述事件出现矩阵确定运动物体的预测出现区域,根据事件消失空矩阵确定运动物体的预测消失区域;
根据所述预测出现区域和所述预测消失区域,确定运动物体的轮廓区域。
4.根据权利要求1所述的方法,其特征在于,所述根据所述预测位置区域,在所述图像信息中确定匹配的定位区域,包括:
获取所述动态视觉传感器和所述目标摄像组件之间分辨率的比例关系,并根据所述分辨率的比例关系和所述预测位置区域,在所述图像信息中确定匹配的定位区域。
5.根据权利要求1所述的方法,其特征在于,在根据所述预测位置区域,在所述图像信息中确定匹配的定位区域后,还包括:
根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理,以确定所述图像信息中是否存在运动物体。
6.根据权利要求5所述的方法,其特征在于,在根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理前,还包括:
判断所述定位区域中像素点的数量是否大于预设检测阈值;
所述根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理,包括:
若所述定位区域中像素点的数量大于预设检测阈值,则根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理。
7.根据权利要求5所述的方法,其特征在于,在根据预训练完成的图像分类模型,对所述定位区域进行识别及分类处理前,还包括:
获取样本图像集合,并通过所述样本图像集合对初始图像分类模型进行图像分类训练,以获取预训练完成的图像分类模型;其中,所述初始图像分类模型基于神经网络构建。
8.一种运动物体的定位装置,其特征在于,包括:
信息获取模块,用于通过动态视觉传感器获取事件流信息,以及通过目标摄像组件获取图像信息;
采样执行模块,用于根据预设采样周期,对所述事件流信息进行采样,以获取采样事件帧,并根据所述事件流信息,确定所述采样事件帧中运动物体的预测位置区域;
分类执行模块,用于根据所述预测位置区域,在所述图像信息中确定匹配的定位区域。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的运动物体的定位方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的运动物体的定位方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552412.8A CN112669344B (zh) | 2020-12-24 | 2020-12-24 | 一种运动物体的定位方法、装置、电子设备及存储介质 |
PCT/CN2021/140765 WO2022135511A1 (zh) | 2020-12-24 | 2021-12-23 | 运动物体的定位方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552412.8A CN112669344B (zh) | 2020-12-24 | 2020-12-24 | 一种运动物体的定位方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669344A true CN112669344A (zh) | 2021-04-16 |
CN112669344B CN112669344B (zh) | 2024-05-28 |
Family
ID=75410041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011552412.8A Active CN112669344B (zh) | 2020-12-24 | 2020-12-24 | 一种运动物体的定位方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112669344B (zh) |
WO (1) | WO2022135511A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909047A (zh) * | 2019-11-28 | 2020-03-24 | 大连海事大学 | 一种面向指定时刻的日常行为识别方法 |
CN113096158A (zh) * | 2021-05-08 | 2021-07-09 | 北京灵汐科技有限公司 | 运动对象的识别方法、装置、电子设备及可读存储介质 |
CN114140365A (zh) * | 2022-01-27 | 2022-03-04 | 荣耀终端有限公司 | 基于事件帧的特征点匹配方法及电子设备 |
CN114549442A (zh) * | 2022-02-14 | 2022-05-27 | 常州市新创智能科技有限公司 | 一种运动物体的实时监测方法、装置、设备及存储介质 |
CN114677443A (zh) * | 2022-05-27 | 2022-06-28 | 深圳智华科技发展有限公司 | 光学定位方法、装置、设备及存储介质 |
WO2022135511A1 (zh) * | 2020-12-24 | 2022-06-30 | 北京灵汐科技有限公司 | 运动物体的定位方法、装置、电子设备及存储介质 |
WO2023279286A1 (en) * | 2021-07-07 | 2023-01-12 | Harman International Industries, Incorporated | Method and system for auto-labeling dvs frames |
CN116055844A (zh) * | 2023-01-28 | 2023-05-02 | 荣耀终端有限公司 | 一种跟踪对焦方法、电子设备和计算机可读存储介质 |
CN116416602A (zh) * | 2023-04-17 | 2023-07-11 | 江南大学 | 基于事件数据与图像数据联合的运动目标检测方法及系统 |
CN116055844B (zh) * | 2023-01-28 | 2024-05-31 | 荣耀终端有限公司 | 一种跟踪对焦方法、电子设备和计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844128A (zh) * | 2015-01-15 | 2016-08-10 | 北京三星通信技术研究有限公司 | 身份识别方法和装置 |
CN107123131A (zh) * | 2017-04-10 | 2017-09-01 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的运动目标检测方法 |
CN110660088A (zh) * | 2018-06-30 | 2020-01-07 | 华为技术有限公司 | 一种图像处理的方法和设备 |
US20200011668A1 (en) * | 2018-07-09 | 2020-01-09 | Samsung Electronics Co., Ltd. | Simultaneous location and mapping (slam) using dual event cameras |
CN111831119A (zh) * | 2020-07-10 | 2020-10-27 | Oppo广东移动通信有限公司 | 眼球追踪方法、装置、存储介质及头戴式显示设备 |
CN111951313A (zh) * | 2020-08-06 | 2020-11-17 | 北京灵汐科技有限公司 | 图像配准方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127439B2 (en) * | 2015-01-15 | 2018-11-13 | Samsung Electronics Co., Ltd. | Object recognition method and apparatus |
CN112669344B (zh) * | 2020-12-24 | 2024-05-28 | 北京灵汐科技有限公司 | 一种运动物体的定位方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-24 CN CN202011552412.8A patent/CN112669344B/zh active Active
-
2021
- 2021-12-23 WO PCT/CN2021/140765 patent/WO2022135511A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844128A (zh) * | 2015-01-15 | 2016-08-10 | 北京三星通信技术研究有限公司 | 身份识别方法和装置 |
CN107123131A (zh) * | 2017-04-10 | 2017-09-01 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的运动目标检测方法 |
CN110660088A (zh) * | 2018-06-30 | 2020-01-07 | 华为技术有限公司 | 一种图像处理的方法和设备 |
US20200011668A1 (en) * | 2018-07-09 | 2020-01-09 | Samsung Electronics Co., Ltd. | Simultaneous location and mapping (slam) using dual event cameras |
CN111831119A (zh) * | 2020-07-10 | 2020-10-27 | Oppo广东移动通信有限公司 | 眼球追踪方法、装置、存储介质及头戴式显示设备 |
CN111951313A (zh) * | 2020-08-06 | 2020-11-17 | 北京灵汐科技有限公司 | 图像配准方法、装置、设备及介质 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909047A (zh) * | 2019-11-28 | 2020-03-24 | 大连海事大学 | 一种面向指定时刻的日常行为识别方法 |
WO2022135511A1 (zh) * | 2020-12-24 | 2022-06-30 | 北京灵汐科技有限公司 | 运动物体的定位方法、装置、电子设备及存储介质 |
WO2022237591A1 (zh) * | 2021-05-08 | 2022-11-17 | 北京灵汐科技有限公司 | 运动对象的识别方法、装置、电子设备及可读存储介质 |
CN113096158A (zh) * | 2021-05-08 | 2021-07-09 | 北京灵汐科技有限公司 | 运动对象的识别方法、装置、电子设备及可读存储介质 |
WO2023279286A1 (en) * | 2021-07-07 | 2023-01-12 | Harman International Industries, Incorporated | Method and system for auto-labeling dvs frames |
CN114140365A (zh) * | 2022-01-27 | 2022-03-04 | 荣耀终端有限公司 | 基于事件帧的特征点匹配方法及电子设备 |
CN114549442A (zh) * | 2022-02-14 | 2022-05-27 | 常州市新创智能科技有限公司 | 一种运动物体的实时监测方法、装置、设备及存储介质 |
CN114677443B (zh) * | 2022-05-27 | 2022-08-19 | 深圳智华科技发展有限公司 | 光学定位方法、装置、设备及存储介质 |
CN114677443A (zh) * | 2022-05-27 | 2022-06-28 | 深圳智华科技发展有限公司 | 光学定位方法、装置、设备及存储介质 |
CN116055844A (zh) * | 2023-01-28 | 2023-05-02 | 荣耀终端有限公司 | 一种跟踪对焦方法、电子设备和计算机可读存储介质 |
CN116055844B (zh) * | 2023-01-28 | 2024-05-31 | 荣耀终端有限公司 | 一种跟踪对焦方法、电子设备和计算机可读存储介质 |
CN116416602A (zh) * | 2023-04-17 | 2023-07-11 | 江南大学 | 基于事件数据与图像数据联合的运动目标检测方法及系统 |
CN116416602B (zh) * | 2023-04-17 | 2024-05-24 | 江南大学 | 基于事件数据与图像数据联合的运动目标检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112669344B (zh) | 2024-05-28 |
WO2022135511A1 (zh) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112669344B (zh) | 一种运动物体的定位方法、装置、电子设备及存储介质 | |
US9740967B2 (en) | Method and apparatus of determining air quality | |
Boult et al. | Into the woods: Visual surveillance of noncooperative and camouflaged targets in complex outdoor settings | |
US9373174B2 (en) | Cloud based video detection and tracking system | |
CN112800860B (zh) | 一种事件相机和视觉相机协同的高速抛撒物检测方法和系统 | |
Benito-Picazo et al. | Deep learning-based video surveillance system managed by low cost hardware and panoramic cameras | |
CN111462155B (zh) | 移动侦测方法、装置、计算机设备和存储介质 | |
WO2022199360A1 (zh) | 运动物体的定位方法、装置、电子设备及存储介质 | |
CN108229281B (zh) | 神经网络的生成方法和人脸检测方法、装置及电子设备 | |
CN117333776A (zh) | VOCs气体泄漏检测方法、装置及存储介质 | |
CN116402852A (zh) | 基于事件相机的动态高速目标追踪方法及装置 | |
CN115690496A (zh) | 基于YOLOv5的实时区域入侵检测方法 | |
CN111967345A (zh) | 一种实时判定摄像头遮挡状态的方法 | |
CN113076889B (zh) | 集装箱铅封识别方法、装置、电子设备和存储介质 | |
CN110390295B (zh) | 一种图像信息识别方法、装置及存储介质 | |
CN113052019A (zh) | 目标跟踪方法及装置、智能设备和计算机存储介质 | |
US10916016B2 (en) | Image processing apparatus and method and monitoring system | |
CN116403200A (zh) | 基于硬件加速的车牌实时识别系统 | |
CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
CN115423795A (zh) | 静帧检测方法、电子设备及存储介质 | |
CN113537026B (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
Pandey et al. | Implementation of 5-block convolutional neural network (cnn) for saliency improvement on flying object detection in videos | |
CN111708907B (zh) | 一种目标人员的查询方法、装置、设备及存储介质 | |
US11270442B2 (en) | Motion image integration method and motion image integration system capable of merging motion object images | |
CN109859200B (zh) | 一种基于背景分析的低空慢速无人机快速检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |